| 中文摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 研究背景与意义 | 第16-19页 |
| 1.2 时间序列预测技术的研究历史与发展现状 | 第19-25页 |
| 1.3 研究思路及主要工作 | 第25-27页 |
| 1.4 论文的组织结构 | 第27-28页 |
| 第二章 相关概念与理论基础 | 第28-49页 |
| 2.1 理解时间序列 | 第28-31页 |
| 2.1.1 时间序列的定义 | 第28页 |
| 2.1.2 时间序列的分类 | 第28-30页 |
| 2.1.3 时间序列的组成 | 第30页 |
| 2.1.4 时间序列分析的目的 | 第30-31页 |
| 2.2 基本的预测技术 | 第31-34页 |
| 2.2.1 基于传统统计方法的预测模型 | 第31-32页 |
| 2.2.2 基于人工智能的预测模型 | 第32-34页 |
| 2.3 组合预测模型 | 第34-36页 |
| 2.4 预测模型的比较 | 第36页 |
| 2.5 人工神经网络的理论基础 | 第36-45页 |
| 2.5.1 生物神经元与人工神经元模型 | 第37-39页 |
| 2.5.2 人工神经元的激活函数 | 第39-40页 |
| 2.5.3 人工神经网络的学习 | 第40-41页 |
| 2.5.4 人工神经网络的特性和功能 | 第41-42页 |
| 2.5.5 人工神经网络的应用领域 | 第42页 |
| 2.5.6 人工神经网络执行预测任务的优势 | 第42-43页 |
| 2.5.7 人工神经网络预测模型的设计框架 | 第43-45页 |
| 2.6 预测策略 | 第45-47页 |
| 2.7 预测精度的评估 | 第47-49页 |
| 第三章 基于BPNN的数据驱动预测模型 | 第49-72页 |
| 3.1 引言 | 第49-50页 |
| 3.2 相关理论和技术 | 第50-54页 |
| 3.2.1 集成经验模态分解 | 第50-52页 |
| 3.2.2 后向传播神经网络 | 第52-54页 |
| 3.3 组合预测模型E-CSFPA-BP | 第54-60页 |
| 3.3.1 改进的花朵授粉算法 | 第54-57页 |
| 3.3.2 预测模型E-CSFPA-BP | 第57-60页 |
| 3.4 实验 | 第60-70页 |
| 3.4.1 电力负荷数据集 | 第60-61页 |
| 3.4.2 实验结果和分析 | 第61-70页 |
| 3.5 E-CSFPA-BP模型的优点 | 第70页 |
| 3.6 本章小结 | 第70-72页 |
| 第四章 基于ARIMA-ESN的线性—非线性预测模型 | 第72-95页 |
| 4.1 引言 | 第72-73页 |
| 4.2 相关理论和技术 | 第73-78页 |
| 4.2.1 快速集成经验模态分解 | 第73-75页 |
| 4.2.2 自回归差分移动平均模型 | 第75页 |
| 4.2.3 回声状态网络 | 第75-77页 |
| 4.2.4 鲸鱼优化算法 | 第77-78页 |
| 4.3 组合预测模型ARIMA-ESN | 第78-83页 |
| 4.4 实验 | 第83-94页 |
| 4.4.1 电力负荷数据集 | 第83-85页 |
| 4.4.2 实验结果和分析 | 第85-93页 |
| 4.4.3 统计测试分析 | 第93-94页 |
| 4.5 ARIMA-ESN模型的优点 | 第94页 |
| 4.6 本章小结 | 第94-95页 |
| 第五章 基于储备池结构优化的ESN预测模型 | 第95-113页 |
| 5.1 引言 | 第95-96页 |
| 5.2 共生生物搜索算法 | 第96-99页 |
| 5.3 二进制SOS算法 | 第99-100页 |
| 5.4 预测模型BSOS-ESN | 第100-102页 |
| 5.5 实验 | 第102-110页 |
| 5.5.1 数据收集 | 第102-105页 |
| 5.5.2 实验结果分析和讨论 | 第105-110页 |
| 5.6 BSOS-ESN的优点 | 第110-111页 |
| 5.7 本章小结 | 第111-113页 |
| 第六章 基于深度储备池结构的ESN预测模型 | 第113-133页 |
| 6.1 引言 | 第113-114页 |
| 6.2 相关理论和技术 | 第114-117页 |
| 6.2.1 浅层回声状态网络 | 第114-115页 |
| 6.2.2 深度回声状态网络 | 第115-117页 |
| 6.3 改进的深度回声状态网络 | 第117-119页 |
| 6.4 实验 | 第119-131页 |
| 6.4.1 数据收集 | 第119-121页 |
| 6.4.2 实验结果分析和讨论 | 第121-129页 |
| 6.4.3 模型运行时间分析 | 第129-130页 |
| 6.4.4 输出权重分析 | 第130-131页 |
| 6.5 MD-ESN的优点 | 第131-132页 |
| 6.6 本章小结 | 第132-133页 |
| 第七章 总结与展望 | 第133-135页 |
| 7.1 本文工作总结 | 第133-134页 |
| 7.2 下一步需要开展的工作 | 第134-135页 |
| 参考文献 | 第135-147页 |
| 在学期间的研究成果 | 第147-148页 |
| 致谢 | 第148页 |